Produkcja roślinna w miastach jako przykład zaopatrzeniowych usług ekosystemowych

Produkcja rolna w obszarach miejskich w Polsce odgrywa coraz istotniejszą rolę, zwłaszcza w kontekście zrównoważonego rozwoju, bezpieczeństwa żywnościowego oraz poprawy jakości życia mieszkańców miast. Choć tradycyjnie rolnictwo kojarzone jest z obszarami wiejskimi, to w ostatnich latach obserwuje się wyraźny wzrost zainteresowania miejskimi formami uprawy i hodowli. Trend ten można zaobserwować również w literaturze naukowej i planistycznej (Sroka, Król, Matysik-Pejas, 2021).

Rolnictwo miejskie obejmuje m.in. ogródki działkowe, ogrody społeczne, uprawy przydomowe, zielone dachy, a także nowoczesne formy, takie jak farmy wertykalne czy hydroponiczne. W polskich miastach ogródki działkowe mają długą tradycję i wciąż stanowią ważne źródło świeżych warzyw i owoców dla wielu rodzin. Pełnią one również funkcję społeczną i rekreacyjną, sprzyjając integracji lokalnych społeczności oraz aktywnemu wypoczynkowi (Ryc. 1).

Produkcja rolna w miastach przyczynia się do skracania łańcuchów dostaw żywności, co ogranicza koszty transportu i emisję gazów cieplarnianych. Lokalne wytwarzanie żywności zwiększa odporność miast na kryzysy, takie jak przerwy w dostawach czy gwałtowne wzrosty cen. Ponadto obecność terenów zielonych i upraw wpływa pozytywnie na mikroklimat miejski, poprawia retencję wody oraz ogranicza zjawisko miejskiej wyspy ciepła.

Nie bez znaczenia jest również aspekt edukacyjny. Rolnictwo miejskie pozwala mieszkańcom, zwłaszcza dzieciom i młodzieży, lepiej zrozumieć procesy produkcji żywności i znaczenie ochrony środowiska. W efekcie produkcja rolna w obszarach miejskich tak w lubuskim, jak i w całej Polsce staje się ważnym elementem nowoczesnej polityki miejskiej, łącząc funkcje gospodarcze, społeczne i ekologiczne (ryc. 2).

1. Obszar badań

Obszarem badań są Funkcjonalne obszary Miejskie (FUA – Functiona Urban Areas) w województwie Lubuskim. 

1.1. Funkcjonalne Obszary Miejskie 

Koncepcja Funkcjonalnych Obszarów Miejskich – FUA odnosi się do przestrzeni wykraczających poza administracyjne granice miast, obejmujących zarówno rdzeń miejski, jak i powiązane z nim obszary podmiejskie. Kluczowym kryterium wyznaczania FUA są rzeczywiste powiązania funkcjonalne, takie jak dojazdy do pracy, przepływy ludności, usług, kapitału czy infrastruktury, a nie formalne granice jednostek samorządu terytorialnego. W Polsce koncepcja ta jest szeroko wykorzystywana w planowaniu strategicznym, polityce regionalnej oraz programowaniu rozwoju terytorialnego.

Funkcjonalne Obszary Miejskie należą do unijnych typologi terytorialnych stanowiących grupowanie statystycznych jednostek terytorialnych państw członkowskich Unii Europejskiej stosowanym od wielu lat przez Eurostat w celu sprostania rosnącemu zapotrzebowaniu na porównywalne międzynarodowo dane w kontekście polityki spójności i rozwoju terytorialnego.

FUA charakteryzują się dużym zróżnicowaniem przestrzennym i funkcjonalnym. Obejmują gęsto zabudowane centra miast, strefy mieszkaniowe, obszary przemysłowe, a także tereny otwarte, w tym grunty rolne i obszary przyrodnicze. W tym kontekście produkcja rolna odgrywa istotną, choć często niedocenianą rolę, szczególnie w strefach podmiejskich, gdzie dochodzi do intensywnej konkurencji o przestrzeń między funkcjami urbanistycznymi a rolniczymi (Ryc. 3).

1.2. Funkcjonalne Obszary Miejskie w województwie lubuskim  

W województwie Lubuskim znajdują się 2 FUA, FUA Zielona Góra (55) oraz FUA Gorzów Wielkopolski (14). Ich obszary obejmują odpowiednio: 

• Miasto na prawach powiatu Zielona Góra,
• Gmina Czerwieńsk,
• Gmina Świdnica,
• Gmina Otyń,
• Gmina Nowogród Bobrzański,
• Gmina Zabór,
• Gmina Brzeźnica, 
• Gmina Dąbie.

oraz: 

• Miasto na prawach powiatu Gorzów Wielkopolski,
• Gmina Kłodawa,
• Gmina Lubiszyn,
• Gmina Santok,
• Gmina Deszczno,
• Gmina Bogdaniec,
• Gmina Zwierzyn.

2. Cel badań i metodologia 

Celem badania jest obliczenie powierzchni obszarów produkcji roślinnej rolnej przypadającej na mieszkańca. Do uzyskania tej informacji wykorzystane zostały zdjęcia satelitarne z Sentinel-2 udostępniane przez Europejską Agencje Kosmiczną (ESA – European Space Agency) w ramach programu Copernicus. 

2.1. Kwantyfikacja obszarów faktycznie wykorzystywanych w celach produkcji roślinnej

Kwantyfikacja obszarów faktycznie wykorzystywanych w celach produkcyjnych opiera się o różnicę między numerycznym modelem pokrycia terenu oraz numerycznym modelem terenu (Zhao et al., 2015), wskaźnik mixLAI (Sentinel Hub, n.d.) wyliczony na podstawie zdjęć satelitarnych Sentinel-2 uzyskanych z programu Copernicus. Wykorzystując wzór 1-e^(-0.5*mixLAI) określone zostaje zagęszczenie roślinności na danym obszarze, to następnie jest mnożone razy wysokość korony uzyskanej z różnicy NMPT i NMT, w celu uzyskania szacowanej objętości plonów. 

2.2. Wykrycie obszarów produkcji roślinnej 

Wykrycie opiera się o informacje uzyskane ze zdjęć satelitarnych multispektralnych oraz inne źródła informacji takie jak obrysy działek z bazy danych BDOT10K (Baza Danych Obiektów Topograficznych w skali 1:10 000), czy warstwy Urban Atlas jak Street Tree zawierającą informacje o pokryciu powierzchni przez korony drzew. 

2.3. Wskaźniki spektralne wykorzystane do wykrycia produkcji roślinnej  

Wykorzystanie istniejących wzory na wskaźniki spektralne, umożliwia uwydatnienie obszarów zainteresowania z pomocą odpowiednich wskaźników. Wśród nich znajdują się: 

NDVI (Normalized Difference Vegetation Index) – który jest wykorzystywany do badania kondycji roślin i jej zagęszczenia, wykorzystując pasma NIR (Near-Infrared) oraz czerwieni,

MSAVI (Modified Soil Adjusted Vegetation Index) – wskaźnik spektralny, który podobnie jak NDVI wykorzystywany jest do określania kondycji roślin, z pomocą tych samych pasm, ale jego cechą wyróżniającą jest automatyczne dostosowanie wartości wskaźnika do tła gleby. (Qi et al., 1994),

BI oraz BI2 (Brightness Index oraz Second Brightness Index) – to dwa wskaźniki, które mogą zostać wykorzystane do określenia ilości soli i wody w glebie oraz biomasy.  (Gojiya et al., 2023).

2.4. Dodatkowe źródła danych 

Dodatkowe źródła danych zostały wykorzystane, aby uzyskać dodatkowy kontekst o wykorzystaniu obszaru, wśród nich: 

• BDOT10K – na podstawie, którego zebrano obrysy działek oraz ich wykorzystanie, a także budynków i typów budynku na danej działce, 
• warstwa Urban Atlas Street Tree Layer – która zawiera informacje o pokryciu obszaru przez drzewa na tle „sztucznych powierzchni”,
• Ortofotomapy – w trudnych przypadkach wykorzystane zostały ortofotomapy wieloczasowe o wysokiej rozdzielczości, dające historyczny kontekst faktycznego użytkowania danego obszaru. 

3. Upscaling danych Sentinel-2

Dla obszaru miast na prawach powiatu wykorzystana została nowatorska technologia upscalingu, która pozwoliła na zwiększenie rozdzielczości zobrazowań satelitarnych z 10 metrów na piksel do 1 metra na piksel, dla wszystkich wykorzystywanych pasm. Zestawienie próbek obrazów RGB i CIR przed i po uszczegółowieniu przedstawiono na rycinie 4.

3.1. Upscaling z pomocą modelu S2DR3 

Do upscalingu wykorzystany został model S2DR3 (Sentinel-2 Deep Resolution 3), zaprojektowany do zwiększania szczegółowości multispektralnych obrazów satelitarnych Sentinel-2 z rozdzielczości 10–20 m do poziomu zbliżonego do 1 m/piksel. Model wykorzystuje głębokie sieci neuronowe do analizy zależności pomiędzy pasmami spektralnymi, takimi jak RGB, NIR (Near-Infrared/bliskie podczerwieni) czy SWIR (Short-Wave Infrared/krótkofalowa podczerwień), a następnie rekonstruuje bardziej szczegółowe struktury terenu, wyostrzając granice pól, dróg i zabudowy. Zamiast zwykłej interpolacji, S2DR3 przewiduje brakujące detale na podstawie wzorców wyuczonych podczas treningu na wysokorozdzielczych danych referencyjnych. Efektem nie jest prawdziwy obraz 1 m z sensora satelitarnego, lecz inteligentnie odtworzona wersja o znacznie lepszej czytelności i przydatności w analizach GIS wykorzystujących dane satelitarne (ryc. 5). 

3.2. Redukcja błędów wynikających z artefaktów upscalingu 

W wyniku upscalingu pewne wartości pikseli dla konkretnych pasm zostały wyolbrzymione, co powodowało błędy przy obliczeniach i zakrzywiało wizualizacje i wyniki końcowe obliczeń. W procesie normalizacji wyników upscalingu znalezione zostały wartości odstające i zredukowane co pozwoliło na efektywniejszą analizę. 

3.3. Pozostały obszar Funkcjonalnych Obszarów Miejskich 

Pozostały obszar FUA został zbadany z pomocą zdjęć satelitarnych w oryginalnej rozdzielczości 10m. 

4. Wyniki

Kwantyfikacja obszarów faktycznie wykorzystywanych w celach produkcyjnych opiera się o różnicę między numerycznym modelem pokrycia terenu oraz numerycznym modelem terenu, wskaźnik mixLAI wyliczony na podstawie zdjęć satelitarnych Sentinel-2 uzyskanych z programu Copernicus. Wykorzystując wzór 1-e^(-0.5*mixLAI) określone zostaje zagęszczenie roślinności na danym obszarze, to następnie jest mnożone razy wysokość korony uzyskanej z różnicy NMPT i NMT, w celu uzyskania szacowanej objętości plonów.

4.1. Wynik dla FUA Gorzów Wielkopolski (S2DR3)

Dla obszaru FUA Gorzów Wielkopolski biorąc pod uwagę błąd wynikający z uppscalingu, otrzymano wynik odpowiednio: 

• 256,7 – 257,6 km² w okresie luty 2025 roku 
• 274,4 – 276,7 km² w okresie czerwiec 2025 roku 

4.2. Wynik dla FUA Zielona Góra (S2DR3)

Dla obszaru FUA Zielona Góra biorąc pod uwagę błąd wynikający z uppscalingu, otrzymano wynik odpowiednio: 

• 63 – 69,8 km² w okresie luty 2025 roku 
• 245,2 – 249,3 km² w okresie czerwiec 2025 roku 

4.3. Zestawienie wyników dla gmin

Wyniki badań upraw przedstawione w poniższych tabelach opierają się o dane w oryginalnej rozdzielczości Sentinel-2 10m na piksel, dla ułatwienia interpretacji wyników dla użytkownika końcowego.

FUA ZIELONA GÓRA
Obszar	ilość osób	powierzchnia listowia [m2]		na osobę		objętość upraw [m3]		na osobę
		luty	czerwiec	luty	czerwiec	luty	czerwiec	luty	czerwiec
Brzeźnica	3420	93330,62	612275,03	6,56	27,29	230567,77	342379,48	67,42	100,11
Czerwieńsk	10143	78652,69	461741,88	5,87	7,75	167911,83	218635,53	16,55	21,56
Dąbie	4936	71154,26	387907,20	5,45	14,42	150542,47	186148,74	30,50	37,71
Nowogród Bobrzański	8811	69063,18	385047,07	5,58	7,84	244539,47	315254,90	27,75	35,78
Otyń	7162	45787,83	264070,90	5,77	6,39	64455,00	86899,00	9,00	12,13
Świdnica	6911	42466,92	218672,52	5,15	6,14	133179,24	161667,64	19,27	23,39
Zabór	4852	24542,66	146873,54	5,98	5,06	101719,85	12358,79	20,96	2,55
Zielona Góra	138760	46413,53	268733,39	5,79	0,33	130654,99	185916,71	0,94	1,34
podsumowanie	184995	471411,69	2745321,54	5,82	2,55	1223570,63	1498370,74	6,61	8,16

FUA GORZÓW WIELKOPOLSKI
Obszar	ilość osób	powierzchnia listowia [m2]		na osobę		objętość upraw [m3]		na osobę
		luty	czerwiec	luty	czerwiec	luty	czerwiec	luty	czerwiec
Bogdaniec	7160	527668,12	615027,77	73,70	85,90	108621,35	124632,84	15,17	17,41
Deszczno	11165	394623,95	425947,86	35,34	38,15	90101,69	95644,49	8,07	8,57
Gorzów Wielkopolski	114076	100276,83	89818,59	0,88	0,79	20812,49	19190,22	0,18	0,17
Kłodawa	9486	244491,33	283030,54	25,77	29,84	99870,65	115759,22	10,53	12,20
Lubiszyn	7196	468540,94	498456,39	65,11	69,27	287646,49	312570,38	39,97	43,44
Santok	9761	474125,10	585189,46	48,57	59,95	161866,07	184203,67	16,58	18,87
Zwierzyn	4102	498150,98	580126,82	121,44	141,43	107877,95	119959,66	26,30	29,24
podsumowanie	162946	2707877,25	3077597,44	16,62	18,89	876796,70	971960,47	5,38	5,96

4.4. Interpretacja wyników

Przeprowadzona analiza pozwoliła na oszacowanie potencjału produkcyjnego terenów użytkowanych rolniczo w obrębie funkcjonalnych obszarów miejskich (FUA) Zielonej Góry i Gorzowa Wielkopolskiego. Model wykorzystuje informacje o strukturze i zagęszczeniu roślinności pozyskane z danych Sentinel-2 oraz wysokość pokrywy roślinnej określoną na podstawie różnicy pomiędzy numerycznym modelem pokrycia terenu (NMPT) i numerycznym modelem terenu (NMT). Uzyskana objętość upraw stanowi wskaźnik potencjalnej biomasy produkcyjnej i pozwala na porównanie zdolności produkcyjnych poszczególnych obszarów, jest jednak mocno poglądowa, w wyniku braku danych związanych z wysokością pokrycia terenu dla danego okresu, użyte zostały dane zebrane w ciągu okresu letniego.

Analiza przeprowadzona dla dwóch terminów – lutego i czerwca 2025 roku – umożliwia ocenę wpływu sezonowości na aktywność biologiczną roślinności oraz potencjał produkcyjny terenów rolniczych.

4.5. Porównanie obszarów FUA

W przypadku FUA Gorzów Wielkopolski powierzchnia terenów aktywnie wykorzystywanych produkcyjnie wzrosła z około 257 km² w lutym do około 276 km² w czerwcu 2025 roku, co odpowiada wzrostowi rzędu 7%. Świadczy to o stosunkowo stabilnym charakterze użytkowania gruntów oraz dużym udziale terenów pozostających aktywnymi przez większą część roku.

Znacznie większą dynamikę zmian odnotowano dla FUA Zielona Góra. Powierzchnia produkcyjna wzrosła z około 66 km² w lutym do około 247 km² w czerwcu, co oznacza wzrost przekraczający 270%. Tak duża różnica wskazuje na silny wpływ sezonu wegetacyjnego i dominację upraw, których rozwój przypada na okres wiosenno-letni.

Pod względem całkowitej objętości upraw oba obszary wykazały wzrost pomiędzy analizowanymi terminami. Dla FUA Zielona Góra objętość upraw wzrosła z 1,22 mln m³ do blisko 1,50 mln m³, natomiast dla FUA Gorzów Wielkopolski z 0,88 mln m³ do 0,97 mln m³. Oznacza to wzrost odpowiednio o około 22% i 11%.

4.6. Produkcja w przeliczeniu na mieszkańca

Wskaźnik objętości upraw przypadającej na jednego mieszkańca pozwala ocenić relację pomiędzy potencjałem produkcyjnym a liczbą ludności zamieszkującej dany obszar.

Dla FUA Zielona Góra wartość wskaźnika wzrosła z 6,61 m³/os. w lutym do 8,16 m³/os. w czerwcu. Oznacza to wzrost o około 23%, co wskazuje na znaczące zwiększenie dostępności zasobów produkcyjnych w okresie pełnej wegetacji.

W przypadku FUA Gorzów Wielkopolski wskaźnik zwiększył się z 5,38 m³/os. do 5,96 m³/os., czyli o około 11%. Pomimo większej całkowitej powierzchni produkcyjnej obszaru gorzowskiego, potencjał produkcyjny przypadający na mieszkańca pozostaje niższy niż w FUA Zielona Góra.

Uzyskane wyniki sugerują, że FUA Zielona Góra charakteryzuje się korzystniejszą relacją pomiędzy zasobami produkcyjnymi a liczbą ludności, co może przekładać się na większą samowystarczalność żywnościową oraz wyższy potencjał rozwoju lokalnej produkcji rolnej.

4.7. Zróżnicowanie przestrzenne w obrębie FUA Zielona Góra

Najwyższe wartości objętości upraw przypadającej na mieszkańca odnotowano w gminie Brzeźnica, gdzie wskaźnik osiągnął 67,42 m³/os. w lutym oraz 100,11 m³/os. w czerwcu. Wysokie wartości uzyskano również dla gmin Dąbie (37,71 m³/os.) oraz Nowogród Bobrzański (35,78 m³/os.).

Najniższe wartości wystąpiły w mieście Zielona Góra, gdzie wskaźnik wyniósł odpowiednio 0,94 m³/os. i 1,34 m³/os. Wynika to przede wszystkim z dużej liczby mieszkańców przypadających na powierzchnię terenów produkcyjnych.

W większości gmin odnotowano wyraźny wzrost potencjału produkcyjnego pomiędzy lutym a czerwcem, co potwierdza silną sezonowość produkcji rolnej na obszarze FUA Zielona Góra.

Wyjątek stanowi gmina Zabór, gdzie objętość upraw zmniejszyła się z 101,7 tys. m³ do 12,4 tys. m³. Zjawisko to może wynikać ze specyfiki struktury użytkowania gruntów, zmian pokrycia terenu pomiędzy terminami obrazowania lub wymagać dodatkowej weryfikacji danych wejściowych.

4.8. Zróżnicowanie przestrzenne w obrębie FUA Gorzów Wielkopolski

W obrębie FUA Gorzów Wielkopolski najwyższy potencjał produkcyjny przypadający na mieszkańca odnotowano w gminie Lubiszyn, gdzie wskaźnik wzrósł z 39,97 m³/os. do 43,44 m³/os. Wysokie wartości uzyskano również w gminie Zwierzyn (29,24 m³/os.) oraz Santok (18,87 m³/os.).

Najniższe wartości wystąpiły w mieście Gorzów Wielkopolski, gdzie wskaźnik utrzymywał się na poziomie około 0,18 m³/os. Wynika to z dominacji funkcji miejskich oraz wysokiej koncentracji ludności przy niewielkim udziale terenów produkcyjnych.

W przeciwieństwie do FUA Zielona Góra, zmiany pomiędzy lutym a czerwcem były stosunkowo niewielkie i dotyczyły głównie wzrostu intensywności produkcji na już istniejących terenach użytkowanych rolniczo. Wskazuje to na bardziej stabilny charakter użytkowania gruntów i mniejszą sezonową zmienność aktywności roślinności.

4.9. Wnioski

Przeprowadzona analiza wskazuje, że oba funkcjonalne obszary miejskie dysponują znaczącym potencjałem produkcyjnym, jednak charakteryzują się odmienną dynamiką sezonową. FUA Zielona Góra wykazuje znacznie większe zmiany pomiędzy okresem zimowym i letnim, co świadczy o silnym uzależnieniu od cyklu wegetacyjnego. FUA Gorzów Wielkopolski cechuje natomiast większa stabilność przestrzenna i mniejsza zmienność sezonowa.

Pod względem potencjału produkcyjnego przypadającego na mieszkańca korzystniejsze wartości uzyskano dla FUA Zielona Góra, szczególnie w okresie pełnej wegetacji. Największe zasoby produkcyjne w relacji do liczby ludności występują w gminach o charakterze wiejskim i niskiej gęstości zaludnienia, natomiast najniższe wartości obserwowane są w głównych ośrodkach miejskich obu obszarów funkcjonalnych.

Bibliografia 

Akhtman, Y. (2023). Sentinel-2 Deep Resolution 3.0 (S2DR3): Effective 12-band 10x single-image super-resolution for Sentinel-2. Medium. https://medium.com/@ya_71389/sentinel-2-deep-resolution-3-0-c71a601a2253 

Gojiya, K., Rank, H., Chauhan, P., Patel, D., Satasiya, R. M., & Prajapati, G. (2023). Remote sensing and GIS applications in soil salinity analysis: A comprehensive review. International Journal of Environment and Climate Change, 13, 2149–2161. https://doi.org/10.9734/IJECC/2023/v13i113377 

Qi, J., Chehbouni, A., Huete, A., Kerr, Y., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote Sensing of Environment, 48, 119–126. https://doi.org/10.1016/0034-4257(94)90134-1  

Sroka W., Król K., Matysik-Pejas R. (2021). Rolnictwo miejskie w światowym i polskim piśmiennictwie oraz w dokumentach planistycznych wybranych miast Polski, Wieś i Rolnictwo 3 (192) ISSN 0137-1673 https://doi.org/10.53098/wir032021/03.

Sentinel Hub. (n.d.). Mix Leaf Area Index (MixLAI). Retrieved from https://custom-scripts.sentinel-hub.com/custom-scripts/sentinel-2/mixlai/ 

Zhao, K., García, M., Liu, S., Guo, Q., Chen, G., Zhang, X., Zhou, Y., & Meng, X. (2015). Terrestrial lidar remote sensing of forests: Maximum likelihood estimates of canopy profile, leaf area index, and leaf angle distribution. Agricultural and Forest Meteorology, 209–210, 100–113. https://doi.org/10.1016/j.agrformet.2015.03.008